文本分类--NLP-AI（八）

任务简介

任务介绍： 字符串分类，根据一句话的含妈量，区分为两类，一类为正向，一类为负向

举例：

1. 我的妈呀？
2. 你妈妈的妈妈叫什么？

根据含有两个3妈以上，即含妈量超标，判定为负向。即1正，2负

目标： 所以我们需要建模，即建立一个f(x)，将我们的含妈量语句输入后，输出1为正，输出0即为负。

1.字符数值化

释义： 我们知道，模型是进行数学运算，输入的内容一定要是数字，不能是直接的字符，所以我们先要把每个字转为字符。

方式1

问： 直观方式，我 -> 1, 你 -> 2, 他 -> 3 …. 妈 -> 26… 是否合理？
答： 问就是不合理。如果把汉字字符简单的映射为一个个的数字，那么这些数字就会存在一些明细的规律，比如：1+2 =3；那是不是意味着，我+你就等于他；这样很容易让模型找规律时，会被影响到。

方式2

方案： 将每一个字符转化为同维度的向量
例如：

我 - > [0.32618175 0.20962898 0.43550067 0.07120884 0.58215387]
你 - > [0.21841921 0.97431001 0.43676452 0.77925024 0.7307891 ]
…
他 -> [0.72847746 0.72803551 0.43888069 0.09266955 0.65148562]

详细释义：

1.我们将每个字符随机生成一个向量，这样就避免了字符之间存在简单的加减乘除关系
2.我们将生成的向量也加入到模型的训练中，这就要求生成的维度必须相同，这样就可以使得语义相同的字：我、吾；其向量值会相近

输入：我的妈呀 --> 4x5的矩阵
这里我们输入模型的就不是简单的一个字符的数字，而是一串字符所代表的向量：

[[0.32618175 0.20962898 0.43550067 0.07120884 0.58215387]
[0.21841921 0.97431001 0.43676452 0.77925024 0.7307891 ]
[0.95035602 0.45280039 0.06675379 0.72238734 0.02466642]
[0.86751814 0.97157839 0.0127658 0.98910503 0.92606296]]

矩阵形状 = 文本长度 x 向量长度

2.池化（pooling）

问题点： 我们最后要求模型输出的是一个数字，这个数字接近1或者0来判断，语句的含妈量；但是我们看到了上面的输入，一段话输入，这个矩阵的行数我们不好控制，并且我们如何将维度降低呢？

解决方案： 所以我们首先将输入进行降维，也就是池化操作，通过池化操作将矩阵处理为向量。

示例：

操作释义：

1.我们将输入的语句转为矩阵后，我们这些向量相加，得到求和后的向量
2.我们将求和的向量的每列的数，根据相加向量的个数求平均，得到一个1*向量长度的矩阵，也就是向量。
上述过程就完成了降维，可以理解为对一句话的含义的压缩。

3.全连接层

目的： 很简单，根据第二部分，我们将矩阵转为向量，那么我们需要将向量转为数字输出，即通过我们线性层（全连接层）来处理。

方案：

1.这里我们采用最简单的线性层公式：y = wx +b
2.这里我们w的矩阵形状和前面的向量有关系，即1向量长度，b要能够和运算的结果相加，那么形状肯定也是1*向量长度。

举例：
注意：这里的x在实际中，potroch为将其转置，下图可以看到：

4.归一化函数（Sigmoid）

目的： 归一化函数也是激活函数，这里选择Sigmoid的目的，很简单，即将输出的值映射到[0,1]范围之间，我们想要的输出就是，靠近1就是正向，靠近0就是负向，它可以搬到

举例：
x = 3 归一化后值： σ(x) = 0.9526

函数图像：

5.总结

1.字符转成向量，向量构成输入的矩阵
2.输入矩阵进行池化，得到向量
3.经过全连接层y=w*x +b 得到实数
4.实数经过归一化sigmoid得到（0，1)之间的数
其中可以进行训练的为红色部分

从任务抽象新的技术点

Embedding层

释义： 上述分类任务中，将字符转化为向量的过程，我们叫Embedding。
举例： 这一层的作用很简单，就像你喊老外给你干活，用中文，他不懂；必须的先翻译成英文告诉他；embedding就相当于翻译给计算机听。

注意：

1.embedding层一把只有深度学习任务中才有，是深度学习的一个特征
2.Embedding矩阵是可训练的参数，一般会在模型构建时随机初始化，可以使用预训练的词向量来做初始化，此时也可以选择不训练Embedding层中的参数
比如：在当前火热的大语言模型中，embedding层与模型层就是配套使用的，因为embedding加入到模型的训练中，蕴含了一定的规律在里面。
3.多个语种和符号可以放到一个词表中，也就是一个embedding层可以涵盖多种字符。

池化层

释义： 上述的分类任务中，将一句话的形成的张量，转化为一个向量的过程，就是我们说的池化。池化的目的是，降维，缩小模型，并且提取特征。

下面我们用视图领域的图像池化来做示例讲解：

过程：

上述左侧4x4的数字，是将一张图片Embedding为数字得到的
1.我们做一个2*2的正方形，将每一个正方形内最大的数字，提取为特征数字
2.全部提取完成后，即得到一个新的2x2的矩阵

好处：

1. 可以降低后续的网络层输入维度
   2.减小了模型的大小，也就是参数量，因为输入的参数矩阵变小了，和其相乘的后续矩阵的维度也就变小了
   3.提高了模型的计算速度，因为参数变少了
   4.提高了特征的鲁棒性，防止过拟合，因为我们选取最大值，那么其他的参数只要在最大值一下，对我们整体的计算影响都会比较小；如果是平均值，同样如此